A. 【小项目-1】用python进行人声伴奏分离和音乐特征提取
比如采样率为22050，音频文件有36s，那么x为长度为22050*36=793800的float。
用到了python库 Spleeter
抽象地了解下原理吧
参考文章是这篇：Spleeter: a fast and efficient music source separation tool with pre-trained models
原理文章是这篇 SINGING VOICE SEPARATION: A STUDY ON TRAINING DATA
粗略扫了一眼，原理主要是用U-Net进行分割，然后这个Python工具主要是利用了一个pre-trained的model。
参考链接：机器之心的一篇文章
纵轴表示频率（从0到10kHz），横轴表示剪辑的时间。由于我们看到所有动作都发生在频谱的底部，我们可以将频率轴转换为对数轴。
可以对频率取对数。
感觉这个参数蛮有意思的
整个频谱被投影到12个区间，代表音乐八度音的12个不同的半音（或色度）， librosa.feature.chroma_stft 用于计算。
先对音频进行短时傅里叶变换
其中每行存储一个窗口的STFT，大小为1025*1551
这里要注意理解怎么基于stft的结果来画频谱图
没太了解，感觉就大概知道有这么个量可以用到就行。
librosa.feature.spectral_centroid 计算信号中每帧的光谱质心：
1. 先理解连续傅里叶变换
2. 再理解离散傅里叶变换
对连续函数进行离散采样
3. 最后进入短时傅里叶变换
是先把一个函数和窗函数进行相乘，然后再进行一维的傅里叶变换。并通过窗函数的滑动得到一系列的傅里叶变换结果，将这些结果竖着排开得到一个二维的表象。
B. 怎样用python编写简单音乐播放器
要看你在什么操作系统、要播什么格式的音乐了。
audio: snd.decode( s )
import time
while snd.org/tut/aplayer.read( 8192 )
r= dec.'YOUR FILENAME'://pymedia.Output( r：
import pymedia.lower() )
f= open( sName.channels.read( 512 )
r= dec.play( r.split( sName.sleep( , r.org/tut/aplayer:
if r.acodec as acodec
sName=', sound; )[ -1 ];0.html" target="_blank">http;rb'
dec= acodec.AFMT_S16_LE )
while len( s )>.sample_rate.decode( s )
import pymedia;.sound as sound
snd= sound, '.audio: time, '://pymedia.Decoder( str.html
用pymedia可以很容易的实现bing了一下，有一个叫mplay的模块，可以试一下，看上去有点简单
C. python视频分离音频，同时简单分轨
首先，安装相应的音视频处理库：
然后，导入库，并读取相应的视频文件，将音频导出：（路径修改为自己的路径）
主要思路：用字符串保存时：分：秒，然后对应不同的音轨（下面以列表的方式）进行裁剪，注意：AudioSegment的单位是毫秒，所以在取切片时乘以1000。
这样就完成了。
D. 如何使用python实现wave音频文件回放
修改采样点数和起始位置进行不同位置和长度的音频波形分析
N=44100
start=0 #开始采样位置
df = framerate/(N-1) # 分辨率
freq = [df*n for n in range(0,N)] #N个元素
wave_data2=wave_data[0][start:start+N]
c=numpy.fft.fft(wave_data2)*2/N
#常规显示采样频率一半的频谱
d=int(len(c)/2)
#仅显示频率在4000以下的频谱
while freq[d]>4000:
d-=10
pylab.plot(freq[:d-1],abs(c[:d-1]),'r')
pylab.show()
E. Python pyb音频处理
Pyb可以让你用简单的方式处理音频。
Pyb提供了简洁的高层接口，极大的扩展了python处理音频文件的能力。
GitHub链接： pyb-github
GitHub:
pyb的使用必须安装对应的依赖软件 ffmpeg 或 avconv
验证是否安装成功：
Open a WAV file
Open a mp3 file
Open a other file
切割音频
分贝操作
分贝（decibel）是量度两个相同单位之数量比例的计量单位，主要用于度量声音强度，常用dB表示。
音频链接
将一个文件添加到另一个文件的末尾
音频长度
淡入淡出
重复音频
再次淡入淡出
直接保存
所有ffmpeg支持的都支持
用标签保存结果（元数据）
实例：
将mp3文件转换成wav文件：
Python音频处理库 pyb
F. python播放音频
anaconda建立环境 python=3.7.9
切换到虚拟环境里
安装pyaudio
这个库好像只能播放.wav文件
而且wav文件内部有不同的格式 我们需要sox转换格式
sox在python里安装 pip install sox
注意 这是sox和python的接口 真正的sox文件得自己装一下
装完了还得配置环境变量
sox资源安排：
https://pan..com/s/1ar8wQc1Xdml9BJpuJ-ubrg
安装完后，就可以转换wav的内部格式了
在音乐文件路径下打开cmd或者powershell执行
sox voice.wav -b 16 -e signed-integer 00.wav
可以看到由voice.wav生成了新的文件 00.wav
G. 如何用python实现倒放一段音频
用python实现倒放音频的话，可以使用 pyb
frompybimportAudioSegment
frompyb.playbackimportplay
song=AudioSegment.from_mp3("a.mp3")
backwards=song.reverse()
play(backwards)
希望能帮到你！
H. Python 简单的扩音，音频去噪，静音剪切
数字信号是通过对连续的模拟信号采样得到的离散的函数。它可以简单看作一个以时间为下标的数组。比如，x[n]，n为整数。比如下图是一个正弦信号(n=0,1, ..., 9)：
对于任何的音频文件，实际上都是用这种存储方式，比如，下面是对应英文单词“skip”的一段信号(只不过由于点太多，笔者把点用直线连接了起来）：
衡量数字信号的 能量（强度） ，只要简单的求振幅平方和即可：
我们知道，声音可以看作是不同频率的正弦信号叠加。那么给定一个声音信号（如上图），怎么能够知道这个信号在不同频率区段上的强度呢？答案是使用离散傅里叶变换。对信号x[n], n=0, ..., N-1，通常记它的离散傅里叶变换为X[n]，它是一个复值函数。
比如，对上述英文单词“skip”对应的信号做离散傅里叶变换，得到它在频域中的图像是：
可以看到能量主要集中在中低音部分（约16000Hz以下）。
在频域上，也可以计算信号的强度，因为根据Plancherel定理，有：
对于一般的语音信号，长度都至少在1秒以上，有时候我们需要把其中比如25毫秒的一小部分单独拿出来研究。将一个信号依次取小段的操作，就称作分帧。技术上，音频分帧是通过给信号加一系列的 窗 函数 实现的。
我们把一种特殊的函数w[n]，称作窗函数，如果对所有的n，有0<=w[n]<=1，且只有有限个n使得w[n]>0。比如去噪要用到的汉宁窗，三角窗。
汉宁窗
三角窗
我们将平移的窗函数与原始信号相乘，便得到信号的“一帧”：
w[n+d]*x[n]
比如用长22.6毫秒的汉宁窗加到“skip”信号大约中间部位上，得到一帧的信号：
可见除一有限区间之外，加窗后的信号其他部分都是0。
对一帧信号可以施加离散傅里叶变换（也叫短时离散傅里叶变换），来获取信号在这一帧内（通常是很短时间内），有关频率-能量的分布信息。
如果我们把信号按照上述方法分成一帧一帧，又将每一帧用离散傅里叶变换转换到频域中去，最后将各帧在频域的图像拼接起来，用横坐标代表时间，纵坐标代表频率，颜色代表能量强度（比如红色代表高能，蓝色代表低能），那么我们就构造出所谓 频谱图 。比如上述“skip”发音对应的信号的频谱图是：
（使用5.8毫秒的汉宁窗）
从若干帧信号中，我们又可以恢复出原始信号。只要我们适当选取窗口大小，以及窗口之间的平移距离L，得到 ..., w[n+2L], w[n+L], w[n], w[n-L], w[n-2L], ...，使得对k求和有：
从而简单的叠加各帧信号便可以恢复出原始信号：
最后，注意窗函数也可以在频域作用到信号上，从而可以起到取出信号的某一频段的作用。
下面简单介绍一下3种音效。
1. 扩音
要扩大信号的强度，只要简单的增大信号的“振幅”。比如给定一个信号x[n]，用a>1去乘，便得到声音更大的增强信号：
同理，用系数0<a<1去乘，便得到声音变小的减弱信号。
2. 去噪（降噪）
对于白噪音，我们可以简单的用“移动平均滤波器”来去除，虽然这也会一定程度降低声音的强度，但效果的确不错。但是，对于成分较为复杂，特别是频段能量分布不均匀的噪声，则需要使用下面的 噪声门 技术，它可以看作是一种“多带通滤波器”。
这个特效的基本思路是：对一段噪声样本建模，然后降低待降噪信号中噪声的分贝。
更加细节的说，是在信号的若干频段f[1], ..., f[M]上，分别设置噪声门g[1], ..., g[M]，每个门都有一个对应的阈值，分别是t[1], ..., t[M]。这些阈值时根据噪声样本确定的。比如当通过门g[m]的信号强度超过阈值t[m]时，门就会关闭，反之，则会重新打开。最后通过的信号便会只保留下来比噪声强度更大的声音，通常也就是我们想要的声音。
为了避免噪声门的开合造成信号的剧烈变动，笔者使用了sigmoid函数做平滑处理，即噪声门在开-关2个状态之间是连续变化的，信号通过的比率也是在1.0-0.0之间均匀变化的。
实现中，我们用汉宁窗对信号进行分帧。然后对每一帧，又用三角窗将信号分成若干频段。对噪声样本做这样的处理后，可以求出信号每一频段对应的阈值。然后，又对原始信号做这样的处理（分帧+分频），根据每一帧每一频段的信号强度和对应阈值的差（diff = energy-threshold），来计算对应噪声门的开合程度，即通过信号的强度。最后，简单的将各频段，各帧的通过信号叠加起来，便得到了降噪信号。
比如原先的“skip”语音信号频谱图如下：
可以看到有较多杂音（在高频，低频段，蓝色部分）。采集0.25秒之前的声音作为噪声样本，对信号作降噪处理，得到降噪后信号的频谱图如下：
可以明显的看到大部分噪音都被清除了，而语音部分仍完好无损，强度也没有减弱，这是“移动平均滤波器”所做不到的。
3. 静音剪切
在对音频进行上述降噪处理后，我们还可以进一步把多余的静音去除掉。
剪切的原理十分简单。首先用汉宁窗对信号做分帧。如果该帧信号强度过小，则舍去该帧。最后将保留的帧叠加起来，便得到了剪切掉静音部分的信号。
比如，对降噪处理后的“skip”语音信号做静音剪切，得到的新信号的频谱图为：
I. 利用python和麦克风进行语音数据采集的流程
使用 Python 和麦克风进行语音数据采集的流程可能包括以下步骤：
安装并导入相应的库：需要安装并导入 PyAudio 库，这个库可以让你在 Python 中操作麦克风。
打开麦克风：使用 PyAudio 库打开麦克风，并设置采样率，采样位数等参数。
开始录音：使用 PyAudio 库的 read 方法从麦克风中读取语音数据。
存储数据：使用 Python 的文件操作函数将读取到的语音数据存储到本地磁盘上。
关闭麦克风：使用 PyAudio 库关闭麦克风。
处理数据:在结束采集之后可以对音频数据进行处理，比如语音识别，语音合成,语音压缩等.
注意：请确保在你的系统中已经安装好了麦克风驱动，并且在 Python 代码中有足够的权限访问麦克风。
J. python音乐循环播放怎么实现
import pygame ---导库
pygame.mixer.init()---初始化
pygame.mixer.music.load(歌曲名称)---加载歌曲
pygame.mixer.music.play(-1)---播放歌曲